script aula 1.R

### O R como calculadora

# Você pode executar somas
25+11
12+24
35+11
# Assim como subtrações.
1-1
2+2
385-298

# Multiplicações.

223*9384
2*2
3*4

# Divisões.
5/2

389/11
5/1

# Exponenciações.

2^10
5**2
2**3
2^3

# Expressões Númericas
# [] {} não são usados

2+(1+(4/2)-(2*1)+10)
10+(2*(2+3)-5)

### Criando Objetos

# Operador <-

# Operador =

### Nomeando Objetos

usamos_snake_case <- "snake_case"
CamelCase <- "CamelCase"
uso.de.pontos <- "periods.case"
REJECT_ConVenTiOn.Embrace_modernity <- "insanidade e loucura"

### Operadores Lógicos

flextable::flextable(operadores, cwidth = 2)

### Apresentando os Tipos de Objetos

# Objetos númericos (numeric).
objeto_numeric <- c(8,4,4,1)
objeto_numeric;class(objeto_numeric)

# Objetos de sequência de caracteres (character).

objeto_character <- c("flamengo", "fluminese","vasco", "botafogo")
objeto_character;class(objeto_character)

# Objetos do tipo factor (factor).

objeto_factor <- factor(
                        c("maior de todos", "em disputa série",
                          "na série B", "bairro")
                        )

objeto_factor;class(objeto_factor)

# Objetos do Tipo Dataframe.

df <- data.frame(objeto_character, objeto_numeric, objeto_factor)
df


# Objetos do tipo lista

lista <- list(times = objeto_character,
           titulos_liberta = c(2, "virgem das americas", 1, "bairro"),
           copas_br = c(3, 1, 1, "bairro"),
           brasileiros = objeto_numeric)
lista

# Alterando o nome das colunas de um dataframe.

names(df) <- c("time", "número de brasileiros", "status no brasileirão")
df
View(df)

# Revisão 

## Inserindo dados.

# Cria um vetor de texto para cada linha do hino do mais querido

"Uma vez Flamengo, sempre Flamengo
Flamengo sempre eu hei de ser
É meu maior prazer vê-lo brilhar
Seja na terra, seja no mar
Vencer, vencer, vencer!
Uma vez Flamengo"

"Na regata, ele me mata
Me maltrata, me arrebata
Que emoção no coração!
Consagrado no gramado
Sempre amado, o mais cotado
Nos Fla-Flu é o Ai, Jesus!"

"Eu teria um desgosto profundo
Se faltasse o Flamengo no mundo
Ele vibra, ele é fibra
Muita libra já pesou
Flamengo até morrer eu sou!"

linha_1 <- "Uma vez Flamengo, sempre Flamengo"

# Concatene os vetores das versos em um único vetor.

# Crie um vetor identificandos as estrofes 

# Crie um vetor  contando as linhas do hino do flamengo

# Concatene os itens acima em um dataframe.

### Acessando elementos dentro de um objeto.

head(iris)# função que printa no console o inicio de um objeto
tail(iris)# função que printa no console o final de um objeto

# Selecionando os itens da primeira coluna.
## Uso o colchetes para selecionar um elemento n dentro do objeto.

iris[1]

# Selecionando Elementos na primeira linha.

iris[1,] 

# Selecionando elementos da 5° a 10° linha e das colunas 2 a 5.

iris[5:10,2:5]

# Selecionando elementos das linhas 3, 5 e 6 e das colunas 1, 3 e 5.

iris[c(3,5,6),
     c(1,3,5)]

# Podemos também usar o operador $ para selecionar colunas
iris$Sepal.Length


### Revisão
# Nessa revisão consulte a tabela de operadores lógicos e responda as questões a seguir


# Dados Simulados

t<-data.frame(
     stringsAsFactors = FALSE,
                             estado = c("alagoas","pernambuco","sergipe",
                                        "bahia","rio grande do norte","piaui",
                                        "ceará","paraiba","maranhão"),
                            matches = c(23320L,42392L,35292L,63850L,
                                        42823L,33301L,16711L,59766L,69495L),
                     matches.brasil = c(848298L,848298L,848298L,848298L,
                                        848298L,848298L,848298L,848298L,
                                        848298L),
                   maioria_feminina = c("sim","não","sim","não","sim",
                                        "sim","sim","não","não"),
                classe_predominante = c("alta","alta","media","baixa",
                                        "baixa","alta","media","media","baixa"),
                 idade_predominante = c("<20 e >30","<31 e > 35",
                                        "<18 e > 23","<18 e > 23","<18 e > 23",
                                        "<20 e >30","<31 e > 45","<31 e > 45","<45")
              )
# Observando os casos onde há maioria feminina.

t[t$maioria_feminina=="sim",]

# Observando Casos onde a classe predominante é alta.

t[t$classe_predominante == "alta", ]

# Observando Casos onde a classe predominante é alta e a maioria é feminina.

t[t$classe_predominante == "alta" & t$maioria_feminina=="sim", ]
# Observando Casos onde o número de matches é menor que 30 mil ou a classe predominante não é baixa

t[t$matches < 30000 | t$classe_predominante!="baixa", ]
#Observando Casos onde a idade predominante é entre 18 e 30 anos

t[t$idade_predominante %in% c("<18 e > 23", "<20 e >30"), ]
#Calculando o percentual equivalente de matches no brasil do estado

t$matches/t$matches.brasil*100